論文の概要: Approaching Low-Cost Cardiac Intelligence with Semi-Supervised Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2511.02851v1
• Date: Wed, 29 Oct 2025 07:18:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.167062
• Title: Approaching Low-Cost Cardiac Intelligence with Semi-Supervised Knowledge Distillation
• Title（参考訳）: 半監督的知識蒸留による低コスト心知へのアプローチ
• Authors: Rushuang Zhou, Yuan-Ting Zhang, M. Jamal Deen, Yining Dong,
• Abstract要約: LiteHeartは、心臓人工知能のための半教師付き知識蒸留フレームワークである。 低コストの心臓知能システムの診断能力を著しく向上させる。 LiteHeartは、ウェアラブル技術を使って、スケーラブルで安価で正確な毎日の心臓医療を実現する。
• 参考スコア（独自算出の注目度）: 10.65310549615653
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deploying advanced cardiac artificial intelligence for daily cardiac monitoring is hindered by its reliance on extensive medical data and high computational resources. Low-cost cardiac intelligence (LCCI) offers a promising alternative by using wearable device data, such as 1-lead electrocardiogram (ECG), but it suffers from a significant diagnostic performance gap compared to high-cost cardiac intelligence (HCCI). To bridge this gap, we propose LiteHeart, a semi-supervised knowledge distillation framework. LiteHeart introduces a region-aware distillation module to mimic how cardiologists focus on diagnostically relevant ECG regions and a cross-layer mutual information module to align the decision processes of LCCI and HCCI systems. Using a semi-supervised training strategy, LiteHeart further improves model robustness under limited supervision. Evaluated on five datasets covering over 38 cardiovascular diseases, LiteHeart substantially reduces the performance gap between LCCI and HCCI, outperforming existing methods by 4.27% to 7.10% in macro F1 score. These results demonstrate that LiteHeart significantly enhances the diagnostic capabilities of low-cost cardiac intelligence systems, paving the way for scalable, affordable, and accurate daily cardiac healthcare using wearable technologies.
• Abstract（参考訳）: 日々の心臓モニタリングのために高度な心臓人工知能を配置することは、広範囲の医療データと高い計算資源に依存しているため妨げられている。 低コスト心インテリジェンス(LCCI)は,1誘導心電図(ECG)などのウェアラブルデバイスデータを使用することで,有望な代替手段を提供する。 このギャップを埋めるため,セミ教師付き知識蒸留フレームワークLiteHeartを提案する。 LiteHeartは、診断に関連のあるECG領域に心臓科医がどのように焦点をあてるかを模した地域対応蒸留モジュールと、LCCIとHCCIシステムの意思決定プロセスを整合させる層間相互情報モジュールを導入している。 LiteHeartは、半教師付きトレーニング戦略を使用して、限られた監督の下でモデルの堅牢性をさらに向上する。 38以上の心臓血管疾患をカバーする5つのデータセットで評価され、LiteHeartはLCCIとHCCIのパフォーマンスギャップを大幅に減らし、既存の手法を4.27%から7.10%に改善した。 これらの結果から、LiteHeartは低コストの心臓知能システムの診断能力を著しく向上させ、ウェアラブル技術を用いて、スケーラブルで安価で正確な毎日の心臓医療を実現することを実証した。

関連論文リスト

• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• IntelliCardiac: An Intelligent Platform for Cardiac Image Segmentation and Classification [8.793377489331466]
  我々は4次元心臓画像の自動分割と疾患分類のためのWebベースのプラットフォームであるIntelliCardiacを紹介した。 IntelliCardiacは、パブリックアクセス可能なACDCデータセットに基づいてトレーニングされたAIモデルを使用して、重要な心臓構造を特定し、心臓疾患を分類する。 本システムは, 右心室, 左心室および心筋を解析し, 患者の心像を5つの診断カテゴリーに分類する。
  論文  参考訳（メタデータ） (2025-05-05T04:09:31Z)
• Translating Electrocardiograms to Cardiac Magnetic Resonance Imaging Useful for Cardiac Assessment and Disease Screening: A Multi-Center Study AI for ECG to CMR Translation Study [30.84196213860778]
  心臓血管疾患(CVD)は世界的な死亡の原因であり、アクセス可能で正確な診断ツールを必要とする。 12個の心電図信号をCMRレベルの機能パラメータと合成画像に変換するディープラーニングフレームワークであるCardioNetsを提案する。 読者の研究では、ECGのみのCardioNetsは、ECGと実際のCMRの両方を用いて、人間の医師よりも13.9%高い精度を達成した。
  論文  参考訳（メタデータ） (2024-11-19T09:09:14Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Transfer Knowledge from Natural Language to Electrocardiography: Can We Detect Cardiovascular Disease Through Language Models? [16.220138060415305]
  心臓血管疾患診断と心電図自動診断レポート作成のためのアプローチを提案する。 1) 自動心電図診断レポート生成, (2) ゼロショット心血管疾患検出の2つの課題において, 学習した埋め込みを評価した。 提案手法は,高品質な心臓診断レポートを作成でき,教師付きベースラインと比較しても,ゼロショット分類性能の競争性も高い。
  論文  参考訳（メタデータ） (2023-01-21T21:58:00Z)
• Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
  本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。 第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。 第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
  論文  参考訳（メタデータ） (2022-10-19T12:29:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。